-
公开(公告)号：CN117370787B
公开(公告)日：2024-06-04
申请号：CN202311238330.X
申请日：2023-09-25
Applicant: 哈尔滨工业大学
IPC: G06F18/2131 , G06F18/2433 , G06F18/10 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明提出基于图卷积神经网络和长短期记忆神经网络的框架结构地震损伤识别方法。所述方法包括对结构健康监测数据的预处理，多层非参数神经网络结构的设计，模型训练和响应预测，通过分析预测残差实现损伤识别和定位。本发明通过多个图卷积层求解监测系统的邻接矩阵，提取各监测点之间的空间相关特征。使用长短期记忆层分析每个测点的时序关系，解决了测点之间信息冗余度较低的问题，提升了异常测点较多情况下的预测精度。该方法通过综合考虑结构在地震作用下的时空关系，可以较好的预测和确定数据残差和结构损伤情况，提高了框架结构损伤识别的速度和准确性。
-
公开(公告)号：CN117253112B
公开(公告)日：2024-06-04
申请号：CN202311095257.5
申请日：2023-08-29
Applicant: 哈尔滨工业大学
IPC: G06V10/80 , G06V10/774 , G06V10/82 , G06V10/40 , G06T7/90 , G06N3/0464 , G06N3/096 , G06N3/09 , G06F16/33
Abstract: 本发明提出结构健康诊断大模型视觉语言跨模态学习方法。所述方法构建了基于图像自注意力、文本自注意力和图像‑文本交叉注意力机制的视觉语言特征提取模块，能够有效实现对结构损伤视觉语言多模态信息的特征融合表达，并且在同一网络框架下同时处理来自视觉和语言领域的异构信息，解决了传统方法为适应不同类型模态数据而专门需要设计多个网络的问题。
-
公开(公告)号：CN118087362A
公开(公告)日：2024-05-28
申请号：CN202410182480.1
申请日：2024-02-19
Applicant: 哈尔滨工业大学
Abstract: 本发明提出了一种移动式变刚度TMD拉索振动控制装置及控制系统，属于桥梁风工程拉索振动抑制技术领域。解决了现有拉索减振成本高、适用性不强，达不到理想效果、安装受限制的技术问题。移动式变刚度TMD拉索振动控制系统套固在拉索外周，其两个动力装置位于本体内侧，且与控制系统集成装置相连，两个加速度传感器位于本体外侧且与动力装置相连，四个自锁装置位于本体内侧，且与控制系统集成装置相连，所述本体内部安装有变刚度TMD，据加速度传感器监测的实时数据确定拉索的振动模态，然后移动移动式变刚度TMD拉索振动控制系统的位置。本发明可有效提高拉索的使用安全性和稳定性，对不同环境及不同工况的拉索都具有很高的适用性。
-
公开(公告)号：CN118072213A
公开(公告)日：2024-05-24
申请号：CN202410065587.8
申请日：2024-01-17
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于图神经网络推断概率图模型的结构损伤识别方法。本发明所述方法针对基于计算机视觉技术得到的稠密结构数据集，建立无向图模型来考虑数据之间的相关性，该模型的结构与所测量结构上的传感器网络相对应，模型参数依据测量数据的损伤敏感特征之间的相关性进行学习。然后，采用图神经网络进行无向图模型的推断，图神经网络依据随机生成的图模型进行训练，以交叉熵作为损失函数进行优化。最后，将学到的无向图模型参数输入训练好的图神经网络中，得到每个测点处结构构件的损伤概率。本发明所提出的方法考虑了结构测量数据间的相关性，并且能结合计算机视觉技术，以更低成本且更鲁棒的方式实现结构损伤识别。
-
公开(公告)号：CN118027782A
公开(公告)日：2024-05-14
申请号：CN202410158706.4
申请日：2024-02-04
Applicant: 哈尔滨工业大学
IPC: C09D163/00 , C09D7/62
Abstract: 一种环氧树脂基超疏水纳米复合涂层及其制备方法，属于超疏水复合涂层制备技术领域。本发明涉及的超疏水涂层采用附着在基底表面的环氧树脂作为粘合层，将微米尺度的改性二氧化硅和纳米尺度的改性二氧化钛先后喷涂到半固化的环氧树脂表面，形成具有多尺度特性的表面微纳米结构。其中，通过环氧树脂的粘合作用可以实现“基底‑环氧树脂‑微纳米结构”的稳定体系，涂层表面的纳米结构使涂层具有良好的超疏水性能，而微米结构则为纳米结构提供了有效保护，从而使超疏水涂层的耐久性能和使用寿命显著提高。
-
Patent Agency Ranking
公开(公告)号：CN117197538B
公开(公告)日：2024-05-14
申请号：CN202311031417.X
申请日：2023-08-16
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/82 , G06V10/776 , G06V10/774 , G06T7/00 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明提出一种基于高斯分布权重采样的贝叶斯卷积神经网络结构表观损伤识别方法。所述方法包括根据需求建模高斯分布权重采样的贝叶斯卷积神经网络；结构表观损伤图片标准化处理；表观损伤视觉识别及损伤视觉识别结果可靠度的判定等。本发明所述方法利用多结构，多角度的表观损伤图片数据训练贝叶斯卷积神经网络模型，提出模型应用的标准条件。所训练的模型可以完成结构表观损伤视觉识别并给出模型对于识别结果的置信度，从而判断模型结果的可靠性。此外，该方法考虑了图片采集质量不统一，图片存在遮挡与光照等因素引起的不确定性，为评估结构安全提供鲁棒性建议。
-
公开(公告)号：CN117115339B
公开(公告)日：2024-05-14
申请号：CN202310893947.9
申请日：2023-07-20
Applicant: 哈尔滨工业大学
Abstract: 本发明提出一种基于NeRF5D神经辐射场的建筑三维重建与损伤识别方法。所述方法首先通过SIFT特征匹配和增量型SFM稀疏重建对单一建筑图像数据集进行预处理，获取图像3D坐标以及相机位姿信息。再利用多分辨率哈希编码并整合，对图像3D坐标进行特征映射。然后将特征映射和相机位姿信息输入本发明提出的三分支网络模型，预测各像素位置的体积密度、RGB色值和语义预测。最后分别通过体素填充和像素整合获得建筑三维重构模型和损伤识别结果。此方法提出了一种单体损伤建筑重建全流程，以及一种轻量化的三分支三维重构和语义分割网络模型，可实现对单一建筑准确且高效的数字孪生和损伤识别。
-
公开(公告)号：CN117935667A
公开(公告)日：2024-04-26
申请号：CN202410141813.6
申请日：2024-02-01
Applicant: 哈尔滨工业大学
IPC: G09B25/00
Abstract: 本发明公开一种模拟微重力条件下射流对颗粒层界面气蚀作用的实验装置，包括矩形容器、同步器、气泵、流量计、两块电磁铁、弹簧、颗粒材料、承重板和高速摄像机，开启气泵，当同步器监测到有气流经过流量计时发出电信号控制打开高速摄像机进行图像采集；经过一段时间后，同步器控制两块电磁铁的电源断开，此时弹簧为承重板提供向下拉力，承重板瞬间下落，使得射流与颗粒材料自由下落过程同步，当射流作用于颗粒层界面时，颗粒层界面处于微重力状态，通过矩形容器正面观察实验中颗粒层的变形与运动状态，本发明可同时获取射流气蚀作用使颗粒层产生的变形与运动时程，并排除外部环境对测量过程的影响，使实验测量结果更加准确。
-
公开(公告)号：CN116824303B
公开(公告)日：2024-01-26
申请号：CN202310820388.9
申请日：2023-07-06
Applicant: 哈尔滨工业大学
IPC: G06V10/774 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/08
Abstract: 本发明提出基于损伤驱动和多模态多任务学习的结构巡检智能体导航方法，所述方法包括步骤一：融合结构损伤信息的虚拟环境建模，步骤二：搭建视觉导航深度强化学习框架，步骤三：设计基于卷积神经网络的视觉特征提取模块，步骤四：设计基于长短期记忆网络的导航记忆模块，步骤五：设计后继通用表征模块，对值网络进行解耦，步骤六：建立融合视觉‑深度多模态信息和多辅助任务联合学习的视觉导航模型。所提出的场景融合方法同样适用于智能体与其他工程学科交叉场景构建。
-
公开(公告)号：CN115496941B
公开(公告)日：2024-01-09
申请号：CN202211134484.X
申请日：2022-09-19
Applicant: 哈尔滨工业大学
IPC: G06V10/764 , G06V10/762 , G06V10/82 , G06N3/096 , G06N3/084 , G06N3/0895 , G06N3/0464
Abstract: 本发明提出基于知识增强计算机视觉的结构健康诊断方法。所述方法具体包括：步骤一：构建结构健康诊断层级图像数据集；步骤二：构建知识增强计算机视觉识别网络模型；步骤三：训练知识增强计算机视觉识别网络模型，获得多类型场景、结构、构件及损伤图像的通用分割头；步骤四：移植通用分割头至预测网络模型，利用考虑多类型几何约束的损失函数训练至收敛。本发明通过自监督和对比学习实现，无需对图像进行标记，与传统人工标记和图像处理的方法相比，避免了繁琐的图像标注，节省了大量人工标注成本，提升了效率。(56)对比文件Kaiping Wang 等.Semi-supervisedmedical image segmentation via a tripled-uncertainty guided mean teacher modelwith contrastive learning《.Medical ImageAnalysis。.2022,1-14.Xiangde Luo 等.Semi-supervisedMedical Image Segmentation through Dual-task Consistency《.The Thirty-Fifth AAAIConference on Artificial Intelligence(AAAI-21)》.2021,8801-8809.
-
-
-
-
-
-
-
-
-
Search Results
378
records
(took 0.101 seconds)
